Quality and Budget-Oriented Task Offloading for Vehicular Cooperative Perception Using Reinforcement Learning
Notice bibliographique
Résumé
Task offloading in Vehicular Edge Computing (VEC) is crucial for enhancing cooperative perception (CP) in Autonomous Vehicles (AVs), thereby improving traffic situational awareness. However, existing approaches often neglect the balance between high-quality execution of interdependent tasks and conserving AVs limited budget, including communication and financial resources. To address this, we propose the Quality and Budget-Aware Task Offloading (QBATO) framework. QBATO is the first framework to balance the quality of cooperative perception with budget conservation. QBATO models the budget as a queue to ensure stability, balancing resource use while prioritizing situational awareness in CP. Additionally, QBATO enhances CP quality by predicting vehicles movements and estimating their regions of interest, thereby improving the Value of Information (VOI). The task offloading problem is modeled as a Quadratic Multiple Knapsack Problem (QMKP), an NPhard problem that optimizes vehicle allocation by evaluating the quality of assigning multiple vehicles to the same worker through a quadratic objective function.To manage resources effectively, we apply the queue stability Lyapunov drift-minus-bonus approach. We also introduce the QBATO-Heuristic (QBATO-H), which solves the problem in a decentralized, time-efficient manner using a multi-agent deep reinforcement learning technique that leverages the Q-Mixing Network (QMIX) method, which employs monotonic value decomposition to coordinate the actions of multiple agents. Extensive evaluations show that QBATO outperforms prominent quality and budget-oblivious schemes by up to 49%, 15%, and 35% in terms of budget conservation, situational awareness, and efficiency, respectively. QBATO-H also yields a small gap of up to 7% and 11% with QBATO in terms of budget conservation and efficiency, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».